![](static/image/blog/recommendico.gif)
2024年初,International Journal of Production Research公布了《2023年度IJPR热门文章列表》,来自中国学者的研究论文占比接近一半。本文将为您介绍入榜文章A novel self-training semi-supervised deep learning approach for machinery fault diagnosis。
DOI: 10.1080/00207543.2022.2032860
第一作者:
龙建宇 东莞理工学院特聘教授
研究兴趣:机器学习、预测和系统健康管理
通讯作者:
李川 东莞理工学院研究员
研究兴趣:预测、健康管理以及智能系统
文章摘要
故障诊断是故障预测与健康管理中支撑设备协同维修不可或缺的核心技术。目前,大多数基于数据驱动的故障诊断方法设计在监督学习框架中,导致模型训练时需要大量的标记样本。本文提出了一种新颖的自训练半监督深度学习方法,能够同时使用少量标记和大量未标记样本训练故障诊断模型。该方法通过使用标记样本初始化堆叠稀疏自编码分类器,然后逐步从未标记样本中抽样一些具有高可靠伪标签的候选样本来更新分类器。与现有自训练半监督框架中常用的静态抽样策略不同,本文提出了一种逐步开发机制,逐步增加所选伪标记候选样本的数量。此外,与使用预测准确率作为伪标签的置信度估计不同,本文设计了一种基于距离的抽样准则,通过在深度特征空间中基于它们的欧氏距离将标签分配给每个未标记样本。实验结果表明,与其他自训练半监督学习算法相比,本文提出的方法可以实现更高的预测精度。
关键词:故障诊断 机器学习 半监督学习 自训练 预测与健康管理
图1:自训练半监督深度学习框架
图2:基于自训练半监督深度学习的机械故障诊断流程
关于期刊
点击了解International Journal of Production Research期刊
转载本文请联系原作者获取授权,同时请注明本文来自Taylor & Francis 学术服务科学网博客。
链接地址:https://wap.sciencenet.cn/blog-3574014-1433013.html?mobile=1
收藏